Summary  
This chapter covers using the pie() function to create pie charts with labeled segments and formatted percentage annotations via the autopct parameter.  

General domain of usage  
Data visualization  

**Cirkeldiagram** är ett diagram som använder en cirkel uppdelad i skivor (segment) för att representera den numeriska andelen (procentuell fördelning) av nominella data.


Definition

Detta diagram visar den procentuella fördelningen av befolkningen per region.



Trots att **cirkeldiagram** är snygga bör de oftast undvikas, eftersom de förvränger datavisningen. En kategori med många förekomster kommer att verka ännu större, en kategori med få förekomster kommer att verka ännu mindre.

Notera

## Cirkeldiagram med etiketter

Använd funktionen `pie()` från modulen `pyplot` för att skapa ett cirkeldiagram. Dess enda **obligatoriska** parameter är data (`x`).

Parametern `labels` tilldelar etiketter till varje segment och ska vara en **sekvens av strängar**.


import pandas as pd

url = 'https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/population.csv'
population_df = pd.read_csv(url)

print(population_df)

Denna `DataFrame` innehåller befolkningen för varje region.

import matplotlib.pyplot as plt
import pandas as pd
population_df = pd.read_csv('https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/population.csv')
# Creating a pie chart and setting the labels for each region 
plt.pie(population_df['Population'], labels=population_df['Region'])
plt.show()

Funktionen `pie()` anropades med `Series` av befolkningsdata som skickades som `x`-parameter, och `Series` av regionsnamn angavs som segmentetiketter med hjälp av parametern `labels`.


## Lägga till procenttal

För att visa **procentandelen** för varje segment, använd parametern `autopct` i funktionen `pie()`. Denna parameter styr hur procenttalen formateras och visas inuti diagrammet.

Den accepterar antingen en formatsträng eller en funktion. Här ligger fokus på att använda en **formatsträng**.


import matplotlib.pyplot as plt
import pandas as pd

population_df = pd.read_csv('https://content-media-cdn.codefinity.com/courses/47339f29-4722-4e72-a0d4-6112c70ff738/population.csv')

# Setting the label for each region and its percentage
plt.pie(population_df['Population'], labels=population_df['Region'], autopct='%1.1f%%')

plt.show()

## Formatsträng

Strängen `%1.1f%%` formaterar procentvärdena som visas i cirkeldiagrammet.

* `%f` betyder att värdet är ett flyttal;
* `.1` anger en siffra efter decimaltecknet;
* Dubbel `%` säkerställer att procenttecknet visas i resultatet.




Om du vill utforska fler parametrar finns här <a href="https://matplotlib.org/stable/api/_as_gen/matplotlib.axes.Axes.pie.html" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> <code>pie()</code> dokumentation</a> för dig.

Studera vidare

import unittest
import ast
import inspect
import user_code  # Replace with actual module if needed


def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)


class TestPieChart(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        source = inspect.getsource(user_code)
        cls.tree = ast.parse(source)

        # Extract all function calls to pie
        cls.pie_calls = [
            node for node in ast.walk(cls.tree)
            if isinstance(node, ast.Call)
            and isinstance(node.func, ast.Attribute)
            and node.func.attr == 'pie'
        ]

    def test_pie_function_used(self):
        _dynamic_test(
            self,
            len(self.pie_calls) > 0,
            "Correct function plt.pie() is used",
            "Missing call to plt.pie()"
        )

    def test_incomes_used_as_data(self):
        try:
            call = self.pie_calls[0]
            arg_name = call.args[0].id if isinstance(call.args[0], ast.Name) else None
            _dynamic_test(
                self,
                arg_name == 'incomes',
                "First argument to plt.pie() is 'incomes'",
                f"First argument to plt.pie() is not 'incomes' but '{arg_name}'"
            )
        except Exception:
            self.fail("Couldn't parse the first argument of plt.pie()")

    def test_labels_argument_is_names(self):
        try:
            call = self.pie_calls[0]
            labels_kw = next((kw for kw in call.keywords if kw.arg == 'labels'), None)
            label_value = labels_kw.value.id if isinstance(labels_kw.value, ast.Name) else None
            _dynamic_test(
                self,
                label_value == 'names',
                "labels argument is correctly set to 'names'",
                f"labels argument is not set to 'names' but '{label_value}'"
            )
        except Exception:
            self.fail("labels keyword argument is missing or malformed")

    def test_autopct_format(self):
        try:
            call = self.pie_calls[0]
            autopct_kw = next((kw for kw in call.keywords if kw.arg == 'autopct'), None)
            value = autopct_kw.value.s if isinstance(autopct_kw.value, ast.Str) else None
            _dynamic_test(
                self,
                value == '%1.1f%%',
                "autopct format is correctly set to '%1.1f%%'",
                f"autopct format is not '%1.1f%%', but '{value}'"
            )
        except Exception:
            self.fail("autopct keyword argument is missing or malformed")


if __name__ == '__main__':
    unittest.main()


test_pie.py

Data finns överallt omkring oss, och att förstå den är oerhört viktigt. Visualisering hjälper dig att hantera data genom att identifiera vissa mönster och insikter. Du kommer att bygga en gedigen grund inom datavisualisering med Python och dess bibliotek, såsom matplotlib och seaborn, för att få ut så mycket information som möjligt ur data på ett snyggt och koncist sätt.

Upptäck grunderna i datavisualisering med Matplotlib. Lär dig dess kärnkoncept, utforska dess fördelar och skapa ditt första enkla diagram med detta grundläggande visualiseringsbibliotek.

Bemästra hur du visualiserar data med de mest populära diagramtyperna. Lär dig att skapa linje-, punkt- och stapeldiagram för att tydligt kommunicera insikter från din data.

Lär dig göra dina diagram mer informativa och visuellt tilltalande. Lägg till titlar, förklaringar, färger och rutnät, samt upptäck hur du effektivt arrangerar flera delplottar.

Utforska statistiska visualiseringar som hjälper till att analysera datadistributioner och mönster. Skapa histogram, lådagram och cirkeldiagram för att avslöja djupare statistiska insikter.

Ta dina visualiseringskunskaper till nästa nivå med Seaborn. Skapa avancerade diagram såsom countplots, KDE, parplottar och värmekartor samtidigt som du behärskar Seaborns eleganta stil och anpassningsmöjligheter.

Cirkeldiagram

Lösning

Cirkeldiagram

Lösning